Supervised Learning

L’apprentissage supervisé est une approche fondamentale de l’intelligence artificielle (AI), dans laquelle les algorithmes sont entraînés sur des données d’entrée associées à la sortie correcte. Dans cette méthode, le modèle apprend en comparant ses propres prédictions aux étiquettes fournies, comme s’il avait un « superviseur » pour le corriger pendant le processus d’entraînement. L’objectif principal est que le système apprenne suffisamment bien la fonction de correspondance entre les entrées et les sorties pour prédire avec précision les étiquettes de nouvelles données de test jamais vues. Cette technique est le moteur de nombreuses applications d’AI parmi les plus pratiques et les plus performantes utilisées aujourd’hui, des filtres anti-spam aux systèmes de conduite autonome.

Fonctionnement de l’apprentissage supervisé#

Le flux de travail de l’apprentissage supervisé repose sur l’utilisation de données étiquetées. Un jeu de données est constitué de manière à ce que chaque exemple d’entraînement soit associé à une étiquette correspondante de « vérité terrain ». Lors de la phase d’entraînement du modèle, l’algorithme traite les caractéristiques d’entrée et génère une prédiction. Une formule mathématique appelée fonction de perte mesure ensuite l’erreur, c’est-à-dire la différence entre la prédiction du modèle et l’étiquette réelle.

Pour minimiser cette erreur, un algorithme d’optimisation, tel que la descente de gradient stochastique (SGD), ajuste itérativement les paramètres internes du modèle ou les poids du modèle. Ce processus se répète sur de nombreux cycles, appelés époques, jusqu’à ce que le modèle atteigne un niveau de précision satisfaisant sans faire de surapprentissage sur les données d’entraînement. Des outils comme l’Ultralytics Platform simplifient l’ensemble de ce pipeline en gérant l’annotation du jeu de données, l’entraînement et l’évaluation dans un environnement unifié.

Principaux types d’apprentissage supervisé#

Les problèmes d’apprentissage supervisé sont généralement classés en deux grandes catégories selon la nature de la variable cible :

• Classification : Il s’agit de prédire une catégorie discrète ou une étiquette de classe. La détection d’objets en est un exemple courant : un modèle identifie et localise des objets dans une image, comme une « voiture », une « personne » ou un « feu de signalisation ». Des modèles avancés comme Ultralytics YOLO26 excellent dans ces tâches en classant et en localisant rapidement plusieurs objets en temps réel.
• Analyse de régression : Il s’agit de prédire une valeur numérique continue. Par exemple, prédire le prix d’une maison à partir de caractéristiques telles que sa superficie, son emplacement et son nombre de chambres constitue un problème de régression. Tu peux en apprendre davantage sur les fondements statistiques dans cette introduction à l’analyse de régression.

Applications concrètes#

L’apprentissage supervisé alimente un vaste éventail de technologies dans différents secteurs d’activité :

1. Diagnostic médical : En s’entraînant sur des milliers de radiographies ou d’images IRM étiquetées, les modèles d’AI peuvent apprendre à détecter avec une grande précision des anomalies telles que des tumeurs ou des fractures. Cela aide les radiologues à établir des diagnostics plus rapides et plus précis. Découvre comment YOLO11 est utilisé pour la détection des tumeurs afin de comprendre son impact médical.

2. Détection des fraudes : Les institutions financières utilisent l’apprentissage supervisé pour surveiller les schémas de transactions. En s’entraînant sur des données historiques regroupant des transactions légitimes et frauduleuses, ces systèmes peuvent signaler les activités suspectes en temps réel et protéger les clients contre le vol.

Apprentissage supervisé et non supervisé#

Il est important de distinguer l’apprentissage supervisé de l’apprentissage non supervisé. Alors que l’apprentissage supervisé repose sur des paires entrée-sortie étiquetées, l’apprentissage non supervisé fonctionne avec des données non étiquetées. Dans les scénarios non supervisés, l’algorithme essaie de trouver seul des structures, des schémas ou des regroupements cachés dans les données, comme la segmentation des clients en marketing. L’apprentissage supervisé est généralement plus précis pour des tâches spécifiques lorsque des données historiques sont disponibles, tandis que l’apprentissage non supervisé est mieux adapté à l’analyse exploratoire des données.

Exemple pratique avec Ultralytics YOLO26#

L’apprentissage supervisé est au cœur de l’entraînement des modèles modernes de vision par ordinateur. L’extrait Python suivant montre comment entraîner un modèle YOLO26 à l’aide d’un jeu de données supervisé (COCO8). Le modèle apprend à partir des images étiquetées du jeu de données pour détecter des objets.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model using the 'coco8.yaml' dataset (supervised learning)
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

# The model is now fine-tuned based on the supervised labels in the dataset

Ce processus simple exploite la puissance de PyTorch en arrière-plan pour effectuer des opérations matricielles complexes et des calculs de gradients. Pour les personnes qui souhaitent rationaliser la gestion des données, l’Ultralytics Platform propose des outils d’entraînement dans le cloud et d’auto-annotation, ce qui rend le flux de travail d’apprentissage supervisé nettement plus efficace.